《独立成分分析》分为四个部分，共24章。第一部分（第2章至第6章）介绍了《独立成分分析》所用到的主要数学知识，第二部分（第7章至第14章）是《独立成分分析》的重点，详细讲述了基本ICA模型及其求解过程，第三部分（第15章至第20章）讨论了基本ICA模型的多种扩展形式，第四部分（第21章至第24章）对ICA方法在不同领域的应用做了生动的阐述。独立成分分析(ICA)已经成为近年来神经网络、高级统计学和信号处理等研究领域中最令人振奋的主题之一。ICA源自对客观物理世界的抽象，它能够有效地解决许多实际问题，具有强大的生命力和广阔的工程应用前景。
海韦里恩，博士，芬兰科学院资深院士，目前在芬兰赫尔辛基技术大学神经网络研究中心工作。
第1章 引论
1.1 多元数据的线性表示
1.2 盲源分离
1.3 独立成分分析
1.4 ICA的历史
第一部分 数学预备知识
第2章 随机向量和独立性
2.1 概率分布和概率密度
2.2 期望和矩
2.3 不相关性和独立性
2.4 条件密度和贝叶斯法则
2.5 多元高斯密度
2.6 变换的密度
2.7 高阶统计量
2.8 随机过程*
2.9 小结与文献引述
习题
计算机练习
第3章 梯度和最优化方法
3.1 向量和矩阵梯度
3.2 无约束优化和学习规则
3.3 约束优化的学习规则
3.4 小结与文献引述
习题
计算机练习
第4章 估计理论
4.1 基本概念
4.2 估计器的性质
4.3 矩方法
4.4 最小二乘估计
4.5 极大似然法
4.6 贝叶斯估计*
4.7 小结与文献引述
习题
计算机练习
第5章 信息论
5.1 熵